AI for science | 人工智能驱动药物筛选

虚拟筛选主要依赖计算机模拟和分子对接技术，通过计算分子间的相互作用来预测化合物的生物活性。而人工智能（AI）药物筛选则结合了AI技术与计算化学，形成了一种高通量筛选方法，广泛应用于蛋白结构预测、新药研发和分子设计与优化等领域。其核心在于利用机器学习（ML）算法分析海量数据，从中提取规律并生成AI打分函数，从而显著提升筛选效率，加速候选药物的发现过程。

AI药物筛选平台整合了分子对接、深度学习、分子动力学模拟等多种技术，依托高性能服务器，能够在数小时内完成数千万分子的筛选，真正实现快速、高效的药物发现。

图 1. AI 技术在药物发现中的应用

基于靶点的 AI 筛选通过机器学习中的深度神经网络、随机森林等算法及分子对接等技术，构建化合物化学结构与生物活性之间的关系模型，实现对药物化合物作用机制的快速预测。基于深度学习 (Deep Learning，DL) 模型预测蛋白质与小分子结合的 AI 筛选流程如下：

图 2. 基于深度学习模型预测蛋白和小分子结合的流程图

在基于配体的AI筛选中，研究人员可以从已知化合物库中筛选具有特定性质的化合物，或以已知活性分子为训练集，利用AI工具总结其特征并生成相似的新分子。AI生成模型能够在更广泛的化学空间中探索新分子，设计出具有特定药物特性的候选分子，从而提升药物研发的效率和成功率。

例如，借助深度学习算法（如图神经网络D-MPNN），可以实现超大规模化学空间的探索，预测超过1亿个分子的化学性质，为药物研发提供更多可能性。

图 3. 借助深度学习算法，实现超大规模化学空间探索：图神经网络 (D-MPNN) 计算预测超过 1 亿个分子的化学性质。